GPT-6.1 Terra vs Sol vs Luna para programação: custo por tarefa

Sua sessão de agente terminou, o diff parece bom, e agora você se pergunta se o nível mais caro era necessário. Resposta curta: comece no Terra, envie etapas simples em massa para o Luna, e pague pelo Sol apenas para a tarefa que o Terra já errou. Em uma edição idêntica (40.000 tokens de entrada, 3.000 de saída) os preços padrão da OpenAI dão $0.0055 no Luna, $0.055 no Terra e $0.11 no Sol.

O que diz a lista de preços#

A página de preços da OpenAI (verificada em 29 de outubro de 2026, nível padrão, entrada de até 272K tokens) lista estes preços por 1M de tokens:

O padrão é arrumado. O Sol é exatamente o dobro do Terra em todas as colunas. O Luna é um décimo do Terra na entrada e na saída, e um quinto na entrada em cache. Então a escada de custo é fixa, e a verdadeira questão é com que frequência um degrau mais barato dá conta do recado.

A última coluna é aritmética simples. No Terra: 40.000 × 1.00 / 1.000.000 = 0.04 para a entrada e 3.000 × 5.00 / 1.000.000 = 0.015 para a saída, então 0.04 + 0.015 = 0.055. No Sol a mesma soma é 0.08 + 0.03 = 0.11, no Luna 0.004 + 0.0015 = 0.0055.

Uma edição, depois cinquenta delas#

Digamos que você faça 50 edições assim por dia: reescrever uma função, corrigir os testes que ela quebrou, cerca de 40.000 tokens de arquivos e instruções na entrada e 3.000 tokens de patch e explicação na saída. Um dia então custa 50 × 0.055 = 2.75 dólares no Terra, 50 × 0.11 = 5.50 no Sol e 50 × 0.0055 = 0.275 no Luna.

Ninguém sente $0.11 em uma edição. Um mês de Sol nesse ritmo é outra conversa, e é o motivo para decidir o nível uma vez por tipo de tarefa em vez de uma vez por humor.

Aqui está o cálculo inteiro em algumas linhas que você pode colar e rodar de novo com suas próprias contagens de tokens (preços de exemplo da tabela acima, insira os atuais):

PRICES = {  # $ per 1M tokens: (input, output), OpenAI, 29 Oct 2026
    'luna': (0.10, 0.50),
    'terra': (1.00, 5.00),
    'sol': (2.00, 10.00),
}

def cost(tier, tokens_in, tokens_out):
    p_in, p_out = PRICES[tier]
    return (tokens_in * p_in + tokens_out * p_out) / 1_000_000

print(cost('terra', 40_000, 3_000))  # 0.055

Loops de agente: a entrada é a conta#

Uma edição é uma requisição. Um agente são vinte delas em sequência, e cada etapa relê os arquivos e o histórico até ali. Pegue um loop de 20 etapas em que cada etapa envia cerca de 30.000 tokens e recebe cerca de 1.000 de volta. São 600.000 tokens de entrada e 20.000 de saída.

No Terra: 600.000 × 1.00 / 1.000.000 = 0.60 para a entrada e 20.000 × 5.00 / 1.000.000 = 0.10 para a saída, então 0.60 + 0.10 = 0.70 dólares. O Sol dobra para 1.40, o Luna corta para 0.07. Olhe a divisão: $0.60 dos $0.70 é o que você envia, não o que o modelo escreve. É o oposto de como a maioria das pessoas imagina a conta.

O cache muda o quadro, se o seu prefixo realmente se repete. Suponha que 25.000 dos 30.000 tokens em cada etapa sejam o mesmo prefixo e acertem o cache: 100.000 × 1.00 / 1.000.000 = 0.10 de entrada nova, 500.000 × 0.05 / 1.000.000 = 0.025 de entrada em cache, mais 0.10 de saída, então o Terra fica em 0.10 + 0.025 + 0.10 = 0.225. Como isso funciona está em o que é prompt caching; por que o histórico continua crescendo está em por que agentes de IA usam tantos tokens.

A calculadora abaixo roda o mesmo loop nos modelos CheapTokens. Altere as etapas e os tokens para corresponder ao seu agente.

Qual nível para qual tarefa#

Um autor de canal do Telegram, que faz experimentos com IA, comparou Terra com Sol e Luna no Codex e publicou um vídeo em 28 de outubro de 2026. A conclusão dele, no próprio título, é que o Terra é um nível intermediário e isso não é uma desvantagem (o post). Esse enquadramento é um bom indicador: o degrau do meio é o padrão, e os outros dois precisam de um motivo.

O motivo geralmente são novas tentativas. Com contagens de tokens iguais, duas tentativas no Terra custam 2 × 0.055 = 0.11, que é uma tentativa no Sol. E dez tentativas no Luna custam 10 × 0.0055 = 0.055, que é uma tentativa no Terra. Então, se o Sol é o único nível que acerta uma classe de tarefas de primeira, ele se paga nessas tarefas. Se o Luna acerta uma classe de tarefas mais de uma vez em dez, ele é o caminho mais barato para obtê-las, antes de contar o tempo gasto revisando os erros.

Escolha a situação mais próxima da sua:

Quando um modelo open-weight mais barato é suficiente#

A mesma edição nos três níveis da OpenAI ao lado de três modelos CheapTokens, com os mesmos 40.000 tokens de entrada e 3.000 de saída:

As barras mostram preço, não resultados. Se um desses modelos é bom o suficiente para as suas edições é algo que você verifica da mesma forma que para o Luna: rode tarefas reais de novo e leia os diffs. Se passar, a conta cai ainda mais. Para loops de agente, o DeepSeek-V4-Flash tem contexto de 380K, até 32.768 tokens em uma resposta e um preço único em qualquer hora do dia. O GLM-5.3-Flash tem contexto de 390K e o MiniMax-M2.7 de 180K; todos os preços estão na página de preços, e os passos de conexão estão na documentação.

Rode suas próprias tarefas de novo#

A tabela dá o custo. A qualidade você descobre em uma tarde: pegue dez tarefas do seu histórico recente, rode cada uma no Luna, depois no Terra, e coloque os diffs lado a lado. Os únicos números de que você precisa estão na resposta, no campo usage, o que facilita precificar uma execução exatamente. Com a CheapTokens fica assim:

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "deepseek-ai/DeepSeek-V4-Flash-0731", "messages": [{"role": "user", "content": "Rename the variable x to retry_count in this function: ..."}]}'

No JSON que volta, usage.prompt_tokens e usage.completion_tokens são sua entrada e saída para aquela tarefa. Alimente-os no helper cost() acima, e você tem o custo por tarefa para qualquer modelo com preço. Para os detalhes de lançamento do novo nível, veja preço da API do GPT-6.1 Terra; para a divisão entrada/saída, tokens de entrada vs saída.